隨著遙感技術(shù)的發(fā)展和深度學(xué)習(xí)在圖像處理方面的進(jìn)展,采用深度學(xué)習(xí)來對遙感圖像進(jìn)行識別的方法已被廣泛應(yīng)用在各個方面,如農(nóng)業(yè)、林業(yè)、環(huán)境等領(lǐng)域。其中茶葉作為我國農(nóng)業(yè)中重要經(jīng)濟(jì)作物之一,如何準(zhǔn)確、及時的獲取茶葉的種植面積,對于政府部門掌握茶葉生產(chǎn)情況制定相關(guān)調(diào)控政策具有重要意義。遙感影像中的非茶葉種植區(qū)域遠(yuǎn)遠(yuǎn)大于茶葉種植區(qū)域,為了兼顧算法效率與精度,本文將整個識別過程分為茶葉種植區(qū)域粗劃分與茶葉種植區(qū)域分割兩個階段。茶葉種植區(qū)域粗劃分主要為了獲得種植茶葉的大范圍區(qū)域,去除大量的非茶葉種植區(qū)域,從而減少后續(xù)茶葉區(qū)域分割的數(shù)據(jù)量。粗劃分模型首先對大尺度遙感影像進(jìn)行小區(qū)域劃分,將劃分后的小影像標(biāo)記為茶葉種植區(qū)和非茶葉種植區(qū)兩類,通過建立基于卷積神經(jīng)網(wǎng)絡(luò)的分類算法,采用遷移學(xué)習(xí),去除了大量非茶葉種植區(qū),獲得茶葉種植區(qū)域的粗劃分。由于茶葉種植多在山區(qū)、丘陵上,具有大面積、連續(xù)不規(guī)則的分布特點,為了獲得更加準(zhǔn)確地茶葉種植區(qū),在獲得分類結(jié)果后,通過孤立點分析算法去除了誤分的小范圍茶葉種植區(qū),提高了算法的準(zhǔn)確率�；诖謩澐趾蟮牟枞~種植區(qū)域,通過構(gòu)建圖像分割訓(xùn)練數(shù)據(jù)集,采用全卷積神經(jīng)網(wǎng)絡(luò),建立了茶葉種植區(qū)域分割... 

【文章來源】：青島大學(xué)山東省

【文章頁數(shù)】：45 頁

【學(xué)位級別】：碩士

【部分圖文】：

BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程圖

青島大學(xué)碩士學(xué)位論文72.2卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)[28]出現(xiàn)之前（convolutionneuralnetwork,CNN），基本上所有的網(wǎng)絡(luò)都是全連接類型，包括上節(jié)中提到的BP神經(jīng)網(wǎng)絡(luò)。但是在圖像領(lǐng)域中，用傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)并不合適。在卷積神經(jīng)網(wǎng)絡(luò)中，相較于全連接層，卷積層具有“局部連接”和“參數(shù)共享”的特點，從而提升網(wǎng)絡(luò)泛化性，降低特征數(shù)。這些特征使得卷積神經(jīng)網(wǎng)絡(luò)在處理圖像時更具優(yōu)勢。2.2.1卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)一般由輸入層、卷積層，池化層、全連接層以及輸出層構(gòu)成，根據(jù)卷積核的大孝層數(shù)的多少等各種因素產(chǎn)生了許多不同的卷積神經(jīng)網(wǎng)絡(luò)，如LeNet5、AlexNet、VGGNet等，其中LeNet5[29]作為經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型，由LeCun等在1989年提出并應(yīng)用在小規(guī)模的手寫數(shù)字識別上。其結(jié)構(gòu)如圖2.2所示：圖2.2LeNet5卷積神經(jīng)網(wǎng)絡(luò)通過上圖，對典型的卷積神經(jīng)網(wǎng)絡(luò)組成結(jié)構(gòu)進(jìn)行介紹：（1）輸入層。在卷積神經(jīng)網(wǎng)絡(luò)之中，輸入層一般是一幅圖像的像素矩陣，其中矩陣的長度和寬度分別對應(yīng)圖像的大小，而深度表示的則是圖像的通道數(shù)，如黑白圖像的通道數(shù)為1，彩色圖像（RGB）通道數(shù)為3，多光譜圖像的通道數(shù)為4到8之間。（2）卷積層。作為“卷積神經(jīng)網(wǎng)絡(luò)”的名字來源，卷積層是卷積神經(jīng)網(wǎng)絡(luò)中最關(guān)鍵的一個層次，與全連接層相比，它的不同之處在于兩個關(guān)鍵操作，分別是局部關(guān)聯(lián)和窗口滑動，即把卷積層中每個神經(jīng)元看做一個濾波器，與上一層中的神經(jīng)元進(jìn)行相連，濾波器的大小一般為3×3，同時在上一層中滑動這些濾波器實現(xiàn)對局部數(shù)據(jù)的計算。（3）池化層。池化層夾在連續(xù)的卷積層中間，其作用是減小數(shù)據(jù)和參數(shù)的兩，降低過擬合，當(dāng)圖片作為輸入時，池化層的作用就是對圖片進(jìn)行壓縮。最常

典型FCN的結(jié)構(gòu)


本文編號：3101199